論文の概要: Improving Opinion Spam Detection by Cumulative Relative Frequency
Distribution
- arxiv url: http://arxiv.org/abs/2012.13905v1
- Date: Sun, 27 Dec 2020 10:23:44 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-24 22:31:56.403540
- Title: Improving Opinion Spam Detection by Cumulative Relative Frequency
Distribution
- Title(参考訳): 累積相対周波数分布による意見スパム検出の改善
- Authors: Michela Fazzolari and Francesco Buccafurri and Gianluca Lax and
Marinella Petrocchi
- Abstract要約: オンラインレビューにおける意見スパムの検出には様々なアプローチが提案されている。
我々は意見スパムの分類に有効な一連の機能を再設計した。
分布特性を用いることで分類器の性能を向上させることができることを示す。
- 参考スコア(独自算出の注目度): 0.9176056742068814
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Over the last years, online reviews became very important since they can
influence the purchase decision of consumers and the reputation of businesses,
therefore, the practice of writing fake reviews can have severe consequences on
customers and service providers. Various approaches have been proposed for
detecting opinion spam in online reviews, especially based on supervised
classifiers. In this contribution, we start from a set of effective features
used for classifying opinion spam and we re-engineered them, by considering the
Cumulative Relative Frequency Distribution of each feature. By an experimental
evaluation carried out on real data from Yelp.com, we show that the use of the
distributional features is able to improve the performances of classifiers.
- Abstract(参考訳): 近年,消費者の購買判断や企業評価に影響を及ぼすため,オンラインレビューの重要性が高まっており,偽レビューを書くことは顧客やサービス提供者に深刻な影響を与える可能性がある。
オンラインレビューにおける意見スパムの検出には,特に教師付き分類器に基づく様々なアプローチが提案されている。
本稿では,意見スパムの分類に有効な特徴の集合から始め,各特徴の累積相対周波数分布を考慮し,それらを再設計する。
Yelp.comによる実データを用いた実験により,分布特性の利用により分類器の性能が向上することを示した。
関連論文リスト
- Exploiting Correlated Auxiliary Feedback in Parameterized Bandits [56.84649080789685]
そこで本研究では,学習者が追加の補助的フィードバックを観察できるパラメータ化帯域問題の新たな変種について検討する。
補助的なフィードバックは、ユーザのサービス評価(リワード)を観察し、サービス提供時間(補助的なフィードバック)などの追加情報を収集するオンラインプラットフォームなど、多くの現実的なアプリケーションで容易に利用可能である。
論文 参考訳(メタデータ) (2023-11-05T17:27:06Z) - Unmasking Falsehoods in Reviews: An Exploration of NLP Techniques [0.0]
本研究は,誤認レビューを識別する機械学習モデルを提案する。
これを実現するために,n-gramモデルと最大特徴量を開発し,認識内容を効果的に同定する。
実験結果から,パッシブ・アグレッシブ・クラシファイアは様々なアルゴリズムにおいて顕著であることがわかった。
論文 参考訳(メタデータ) (2023-07-20T06:35:43Z) - On the Role of Reviewer Expertise in Temporal Review Helpfulness
Prediction [5.381004207943597]
有用なレビューを識別する既存の方法は、主にレビューテキストに焦点をあて、レビューを投稿する(1)とレビューを投稿する(2)の2つの重要な要素を無視する。
本稿では,過去のレビュー履歴から得られたレビュアの専門知識と,レビューの時間的ダイナミクスを統合し,レビューの有用性を自動的に評価するモデルを提案する。
論文 参考訳(メタデータ) (2023-02-22T23:41:22Z) - Exploring the Distribution Regularities of User Attention and Sentiment
toward Product Aspects in Online Reviews [7.23135508361981]
本稿では,オンラインレビューの時間的視点から,ユーザの注意と製品面に対する感情の分布の規則性について考察する。
実証的な結果から,ユーザからの注目を製品面に当てはめることができ,短い期間に投稿されたレビューには,より多くの製品面が含まれていることが分かる。
論文 参考訳(メタデータ) (2022-09-08T10:23:16Z) - Breaking Feedback Loops in Recommender Systems with Causal Inference [99.22185950608838]
近年の研究では、フィードバックループが推奨品質を損なう可能性があり、ユーザの振る舞いを均質化している。
本稿では、因果推論を用いてフィードバックループを確実に破壊するアルゴリズムCAFLを提案する。
従来の補正手法と比較して,CAFLは推奨品質を向上することを示す。
論文 参考訳(メタデータ) (2022-07-04T17:58:39Z) - A Dataset on Malicious Paper Bidding in Peer Review [84.68308372858755]
悪意あるレビュアーは、紙の割り当てを非倫理的に操作するために戦略的に入札した。
この問題を緩和するための方法の作成と評価への重要な障害は、悪意ある紙入札に関する公開データの欠如である。
我々は、参加者に正直に、悪意的に入札するよう指示されたモックカンファレンス活動から収集された、新しいデータセットをリリースする。
論文 参考訳(メタデータ) (2022-06-24T20:23:33Z) - Spatio-Temporal Graph Representation Learning for Fraudster Group
Detection [50.779498955162644]
企業は、偽レビューを書くために詐欺師グループを雇い、競合相手をデモしたり、自分のビジネスを宣伝したりすることができる。
そのようなグループを検出するには、詐欺師グループの静的ネットワークを表現するのが一般的なモデルである。
両レビュアーの表現学習におけるHIN-RNNの有効性を第一に活用することを提案する。
論文 参考訳(メタデータ) (2022-01-07T08:01:38Z) - SIFN: A Sentiment-aware Interactive Fusion Network for Review-based Item
Recommendation [48.1799451277808]
本稿では、レビューに基づく項目推薦のための感性認識型インタラクティブフュージョンネットワーク(SIFN)を提案する。
まず、BERTを介してユーザ/イテムレビューをエンコードし、各レビューのセマンティックな特徴を抽出する軽量な感情学習者を提案する。
そこで我々は,感情学習者が明示的な感情ラベルを用いて感情認識特徴を抽出するための感情予測タスクを提案する。
論文 参考訳(メタデータ) (2021-08-18T08:04:38Z) - PURS: Personalized Unexpected Recommender System for Improving User
Satisfaction [76.98616102965023]
本稿では、予期せぬことを推奨プロセスに組み込んだ、新しいPersonalized Unexpected Recommender System(PURS)モデルについて述べる。
3つの実世界のデータセットに対する大規模なオフライン実験は、提案されたPURSモデルが最先端のベースラインアプローチを大幅に上回っていることを示している。
論文 参考訳(メタデータ) (2021-06-05T01:33:21Z) - User and Item-aware Estimation of Review Helpfulness [4.640835690336653]
有用性決定因子としてのレビューの性質における逸脱の役割について検討する。
本稿では,従来のものを拡張した新しい有用性推定モデルを提案する。
そこで本モデルは,意思決定におけるユーザフィードバックの選択に有効なツールである。
論文 参考訳(メタデータ) (2020-11-20T15:35:56Z) - How Useful are Reviews for Recommendation? A Critical Review and
Potential Improvements [8.471274313213092]
本稿では,レビューテキストを用いてレコメンデーションシステムの改善を目指す,新たな作業体系について検討する。
実験条件やデータ前処理に変化はあるものの, 論文間で結果がコピーされていることから, 報告結果にいくつかの相違点がみられた。
さらなる調査では、リコメンデーションのためのユーザレビューの"重要"に関して、はるかに大きな問題に関する議論が求められている。
論文 参考訳(メタデータ) (2020-05-25T16:30:05Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。